Citadel: Niedobór mocy obliczeniowej wciąż pozostaje największym wąskim gardłem AI, giganci chmury obliczeniowej mogą zostać ostatecznymi zwycięzcami

Konkurencja w branży AI przyspiesza coraz bardziej, a kluczowym czynnikiem decydującym o zwycięstwie nie jest zdolność modeli, lecz dostępność fizycznej mocy obliczeniowej.

Ostatnia analiza Citadel Securities wskazuje, że zapotrzebowanie na moc obliczeniową stale przewyższa tempo wzrostu podaży. Prawdziwie rzadkim zasobem nie są chipy magazynowane w magazynach, lecz już zasilana, dostępna do natychmiastowego użycia moc obliczeniowa.

Tego strukturalnego wąskiego gardła nie da się usunąć w krótkim czasie — przyłączenie do sieci elektrycznej i cykl akceptacji projektów liczy się w latach, nawet bardzo duże inwestycje kapitałowe nie są w stanie szybko zniwelować tej luki. Oznacza to, że obecny przepływ gotówki hyperscalerów może niedoszacowywać rzeczywisty potencjał zysków ich istniejącej infrastruktury.

Z sygnałów rynkowych wynika, że ceny wynajmu mocy obliczeniowej, w tym starszych modeli GPU, pozostają stabilne. Wskazuje to, że obecne moce są ciągle konsumowane, a napięcie podaży i popytu na rynku nie zmieniło się znacząco pomimo masowych inwestycji w budowę. Jednocześnie rosnąca popularność AI agentów powoduje większe zużycie mocy obliczeniowej — jedno polecenie wydane przez człowieka może wywołać dziesiątki, a nawet setki wywołań modelu, a zużycie mocy obliczeniowej na pojedyncze zadanie rośnie, wspierając tym samym po stronie popytu.

Istota wąskiego gardła mocy obliczeniowej: nie tylko chipy

Analityk Citadel Securities, Nohshad Shah, zwraca uwagę, że „moc obliczeniowa” nie oznacza tylko GPU, lecz całość: GPU, energię elektryczną, przestrzeń w centrum danych, pamięć, sieć, systemy chłodzenia oraz kompetencje operacyjne. Naprawdę deficytowe jest „zasilana, gotowa do natychmiastowego użycia moc obliczeniowa”, a nie sprzęt leżący w magazynie.

Dane dotyczące krzywej forward mocy obliczeniowej pokazują, że podaż rośnie, ale popyt rośnie jeszcze szybciej. Z powodu przyłączenia do sieci energetycznej i cyklów akceptacji projektów liczonych w latach, nawet ogromne plany wydatków kapitałowych nie mogą szybko wypełnić tej luki. Obecne ograniczenie AI nie polega na braku użytkowników, ale na braku dostępnej do uruchomienia mocy obliczeniowej.

Warto zwrócić uwagę, że obecna znaczna część mocy obliczeniowej związana jest z kontraktami podpisanymi na lata 2024–2025, kiedy siła popytu nie była w pełni widoczna. Wraz z wygaśnięciem tych kontraktów istniejąca infrastruktura może zostać ponownie wyceniona, łącząc wzrost wykorzystania i praktycznie stałą bazę kosztową, dzięki czemu efekt dźwigni operacyjnej zostanie stopniowo uwolniony. Ta analiza wskazuje, że rynek obecnie zbyt szybko uwzględnia koszty wydatków kapitałowych, a jednocześnie może niedoszacowywać potencjału zysków w przyszłości.

Co więcej, spadek ceny tokena niekoniecznie jest negatywny. Tańsza inteligencja sprawi, że więcej scenariuszy zastosowań stanie się ekonomicznie opłacalnych, a razem ze wzrastającą konsumpcją mocy obliczeniowej przez AI agentów, całkowite zapotrzebowanie na moc ma szansę utrzymywać się na wysokim poziomie. Kluczową zmienną jest elastyczność popytu: jeśli tempo wzrostu użycia przewyższy spadek ceny jednostkowej, niska cena powiększy rynek, a nie go zmniejszy. Prawdziwie negatywnym scenariuszem jest sytuacja, w której token tanieje, ale korzystanie z niego nie wzrasta.

Coraz silniejsza segmentacja branży: hyperscalery mają podwójną przewagę

Analiza Citadel Securities przedstawia coraz wyraźniejszą dwubiegunową strukturę branży AI: z jednej strony OpenAI, Anthropic i inne czysto zaawansowane laboratoria, które traktują samą inteligencję jako produkt; z drugiej strony Google, Microsoft i inne zróżnicowane hyperscalery, które niezależnie od zwycięskiego modelu mogą zmonetyzować go w całym stacku.

W tym układzie modele zaawansowane koncentrują się na zadaniach o wysokiej wartości, w tym planowaniu, rozumowaniu, programowaniu i organizacji zadań, zdobywając premię przy mniejszym udziale tokenów; tańsze lub open source modele realizują pracę na warstwie wykonywania z dużą równoczesnością. Frontowe laboratoria mogą zachować kontrolę nad cenami w zadaniach premium, ale hyperscalery i dostawcy inference profitują na obu poziomach — ponieważ każdy typ obciążeń wymaga chipów, pamięci, sieci i energii.

Logika sprowadza się do tego: modele frontowe odpowiadają za planowanie, tanie modele za wykonanie, a właściciele „zasilanej mocy obliczeniowej” czerpią korzyści z obu stron. Dla inwestorów, wobec niepewnych ścieżek komercjalizacji AI, hyperscalery mające fizyczną infrastrukturę obliczeniową mogą okazać się najbardziej przewidywalną inwestycją pod względem relacji ryzyka do zysku.